基于RF-LSTM组合模型的股票价格预测

股票数据具有非线性和复杂性等特点,单一模型预测效果不佳,针对此问题,提出一种RF-LSTM组合模型,用于预测股票的收盘价。首先,利用Tushare财经数据包获取股票数据,构建特征集,并对数据进行归一化处理;其次,考虑到多特征之间存在高度的非线性和信息冗余问题,利用随机森林(RF)选择最优特征集,降低数据维度和训练复杂度;最后,利用深度学习中适合处理时间序列的长短期记忆网络(LSTM)对股票价格进行预测,并对预测模型进行参数调优。结果表明,与单一结构的LSTM神经网络模型预测相比,本文提出的RF-LSTM组合模型预测的平均绝对误差(MAE)、均方误差(MSE)和均方根误差(RMSE)分别减小了13.11%,6.70%和12.54%。该组合模型可提高股票价格预测的准确性。     

基于BiLSTM-SA-TCN时间序列模型在股票预测中的应用

针对股票预测模型存在时效性和预测功能单一化的问题，本文在长短期记忆网络（LSTM）的基础上，提出了融合自注意力机制（SA）和时间卷积网络（TCN）的双向长短期记忆（BiLSTM）神经网络（BiLSTM-SA-TCN）股票预测模型.BiLSTM-SA-TCN模型中的学习单元和预测单元可以有效学习重要的股票数据，同时能够抓取长时间的依赖信息，输出次日股票收盘价预测值.实验结果表明，BiLSTM-SA-TCN模型在多个数据集上的预测结果更加稳定，模型泛化能力较高，在对比实验中，BiLSTM-SA-TCN模型在大部分数据集上均方根误差最小，平均绝对值误差最小，拟合度R²最优.     

基于VMD-CSSA-LSTM组合模型的股票价格预测

针对股票价格非平稳、非线性和高复杂等特性引发的预测难度大的问题,建立一种基于变分模态分解(Variational Mode Decomposition,VMD)-Circle混沌映射的麻雀搜索算法(Circle Sparrow Search Algorithm,CSSA)-长短期记忆 (Long Short-Term Memory,LSTM) 神经网络的组合模型——VMD-CSSA-LSTM.首先,利用VMD将原始股票收盘价数据分解为若干本征模态函数(Intrinsic Mode Function,IMF)分量.然后,采用Circle混沌映射的SSA算法对LSTM神经网络的隐含层神经元、迭代次数、学习率进行优化,将最优参数拟合至LSTM网络中.最后,对每个IMF分量建模预测,将各分量预测结果叠加得到最终结果.实验结果表明,与其他模型相比,本文模型在多支股票数据集上的均方根误差(RMSE)、平均绝对误差(MAE)及平均绝对百分比误差(MAPE)均达到最小,预测股票收盘价格误差在0附近波动,稳定性更优、拟合更佳、精确度更高.     

改进型LSTM变形预测模型研究

针对传统预测模型处理复杂非线性变形数据能力不足的问题,应用一种深度学习模型——长短期记忆网络(Long Short-Term Memory,LSTM)进行变形预测分析.研究发现LSTM隐藏层受有限变形数据序列长度的影响较大,针对此类问题,文中在LSTM的基础上提出了一种改进模型.改进的模型将具有多个隐藏层的神经网络放在LSTM模型前,采用全连接层将两种网络连接起来,旨在提高预测精度.改进的LSTM模型主要对时间序列数据进行预测,以西南部矿业某矿区自动监测数据为例,将LSTM模型和改进后的LSTM模型进行了对比分析实验.为验证多变量输入是否会对预测精度造成影响,构建基于改进LSTM的多点预测模型,并与改进LSTM的单点预测对比.结果表明,LSTM可用于变形预测,且改进的LSTM模型很好地改善了LSTM存在的问题,预测精度相对更高,适用于多点预测,可批量处理变形数据.     

基于深度神经网络的多因素感知终端换机预测模型

针对基于特征工程的传统终端换机预测模型依赖于领域知识且无法充分利用用户通话、流量使用等序列数据的问题,提出基于深度神经网络的多因素融合终端换机预测模型. 该模型使用长短时记忆网络（LSTM）提取用户通话、流量使用行为序列特征,使用全连接网络融合用户自然属性、行为序列特征和历史换机信息,预测用户是否换机. 实验表明,基于深度神经网络的多因素融合终端换机预测模型能够考虑影响用户换机的多种因素,充分挖掘用户通话、流量使用行为序列特征;当召回率为0.135时,相比于传统模型精确率提高了34.3%.     

深度学习在电力负荷预测中的应用综述

在综合能源系统和能源互联网的高速发展中,电力负荷预测对电力系统的经济安全运行具有重要的作用.传统的负荷预测模型方法已在电力系统中取得了广泛应用,传统方法的简单计算模型对于高随机性、大数据背景下的动态负荷预测精度无法保证.近年来,在计算工具不断升级和训练数据量大规模提升的背景下,深度学习方法在电力负荷预测领域的应用得到了广泛重视.对多种深度学习方法在负荷预测领域中的应用进行了叙述分析,回顾了循环神经网络(RNN)、长短期记忆网络(LSTM)、深度置信网络(DBN)、卷积神经网络(CNN)等不同深度学习方法预测模型.对比于传统的负荷预测方法,深度学习方法具有更高的预测精度,对于各种外部影响因素具有更好的鲁棒性.     

运用Dropout-LSTM模型的新冠肺炎趋势预测

为提高新冠肺炎(COVID-19)趋势预测精度,该文提出一种运用Dropout技术的长短期记忆(LSTM)神经网络预测新冠肺炎发展趋势的方法。该方法基于Python语言使用网络爬虫技术获取完整的国内新冠肺炎历史数据,提高数据采集效率的同时减少了主观原因导致的数据错误;因为新冠肺炎历史数据为时序性数据,为避免人为添加时间特征及充分挖掘较少时序数据之间的非线性关系,该文构建了层数更多的LSTM神经网络预测模型。随后在隐藏层中的非循环部分采用Dropout技术,对神经元进行随机概率失活,有效解决了深度学习的过拟合问题。最后用国内累计确诊、现有确诊和累计治愈人数对该方法进行验证,实验证明该方法可较精准预测新冠肺炎传播趋势。     

基于CNN-ResNet-LSTM模型的城市短时交通流量预测算法

针对交通流量特性和外部因素对交通流量预测结果的影响,提出了一种对城市短时交通流量预测的模型CNN-ResNet-LSTM,将卷积神经网络（CNN）、残差神经单元（ResNet）和长短期记忆循环神经网络（LSTM）集成到一个端到端的网络框架.利用卷积神经网络来捕获城市区域间交通流量的局部空间特征,并在卷积神经网络中加入多个残差神经单元来加深网络深度,可提高预测的准确性;利用长短期记忆循环神经网络来捕获交通流量数据的时间特征;利用相应的权重将2个网络的输出结果融合,得到通过轨迹数据预测的结果;最后与外部因素融合,得到城市区域的交通流量预测值.用北京市轨迹交通数据对该模型进行验证,CNN-ResNet-LSTM模型不仅在准确率方面比传统模型高,而且在保证预测准确率的情况下,模型使用的参数也少.     

基于神经网络的股票交易数据的预测研究

运用前馈神经网络预测时间序列的分析方法对股票数据进行了预测.通过对前馈神经网络时间序列数据预测网络模型的建立方法及预测方法讨论,基于BP网络对股票数据进行实际预测.预测精度明显高于传统方法,说明此种方法是可行的.BP网络可用于股票数据预测,其预测精度较高,但实际预测时,如何选择和确定一个合适的神经网络结构需进行反复实验.     

基于GA改进LSTM-BP神经网络的智慧楼宇用能行为预测方法

针对大部分预测方法难以适用于多源异构数据的处理,且存在能源类型考虑不全面等问题,提出了基于GA改进LSTM-BP神经网络的智慧楼宇用能行为预测方法.该方法通过K-means聚类算法分析用能行为并减少用能数据规模,利用遗传算法优化长短时记忆网络(LSTM)结合反向传播神经网络(BP)的预测模型,实现对智慧楼宇的能耗预测.基于TensorFlow深度学习框架进行实验分析,结果表明所提方法在12 h及120 h内预测结果的MAE值分别为1.79 J和2.11 J,预测效果稳定并优于其他对比方法,故具有一定的应用前景.     

基于LSTM和灰色模型的股价时间序列预测研究

影响股价的因素错综复杂，因此在考虑多变量情形下，对时间序列中常用的长短期记忆网络（LSTM）进行修正，并选取股票价格进行预测.首先，采用方差膨胀因子（VIF）进行变量的筛选，再结合自适应提升法（Adaboost）模型查看特征变量的重要程度.其次，用爬虫对投资者情绪进行文本分析，计算情绪指数等指标并揭示其与股价的关系.然后，对格力电器、飞科电器、美的集团3支股票进行股价预测，对比多层感知器（MLP）模型、LSTM模型，并选择适当的模型作为基准模型，在基准模型的基础上加上情绪指数、投资者关注度等指标构建了LSTM-EM模型.进一步，在考虑了投资者情绪后对残差项使用GM （1，1）模型进行修正.实证结果表明，该模型能对股价进行较为精确的预测.     

GA神经网络在证券市场预测中的应用研究

以股市的可预测性为基础,以可量化股价影响因素作为输入变量,提出了将遗传算法与BP算法相结合用于股市价格预测的人工神经网络模型学习算法;建立了基于人工神经网络的股价预测模型。通过对海信电信(600060)的股票收盘价和大盘指数为预测目标进行了股市预测的仿真,并尝试预测未来一天内超短线存在机会,实验结果验证了股价预测模型的可行性。     

神经网络与时间序列模型在股票预测中的比较

首先利用时间序列中的AR IM A模型和人工神经网络建立了两类股票价格预测模型并对一定时期的股票价格进行了预测,然后用4种广为使用的统计评价方法对两类模型的预测性能进行了比较。结果表明,两种模型都取得了很好的整体预测效果,而在趋势预测方面,神经网络则得到了比AR IM A模型更准确的结果。     

基于多频优化组合模型的我国大豆期货价格预测

针对ARIMA、BPNN、LSTM等单一模型在预测大豆期货价格时因不能同时捕获到原始序列中线性和非线性变化特征而导致的预测精度不高的问题,提出基于完全自适应噪声集合经验模态分解(CEEMDAN)的多频优化组合模型,并利用大豆的日期货收盘价数据对多频优化组合模型的有效性进行了实证分析.结果表明,多频优化组合模型在大豆期货价格预测精度上优于BPNN、LSTM等单一模型,以及EMD-BPNN、CEEMDAN-LSTM(未重构)等组合模型,因此该模型在预测大豆期货价格走势中具有良好的参考价值.     

基于C-LSTM的短期用电预测模型和应用

基于深度学习下的长短期记忆循环神经网络对家庭短期用电预测进行研究。本研究引入卷积神经网络(convolutional neural network, CNN)和长短期记忆(long short term memory, LSTM)模型结合的混合深度神经网络模型C-LSTM,并在此模型基础上提出多步预测策略。根据对5个真实家庭日常用电数据集的研究,C-LSTM实现了以5 min为单位的家庭电力需求预测。通过不断修改模型参数、完善模型,从本研究提供的3种误差指标的分析来看,C-LSTM预测准确性高于自回归集成移动平均模型、支持向量回归模型和LSTM模型。本研究评价模型预测效果的主要依据是平均绝对百分比误差值(mean absolute percentage error, MAPE), 从试验结果可得C-LSTM 模型在5 min的家庭需求电力预测,比支持向量回归模型提升4.63%,比 LSTM提升22.8%,比自回归集成移动平均模型提升 34.74%。因此,C-LSTM模型为智能电网对家庭层面电需求的准确及时预测提供了保障,对推动个性化用电套餐的广泛普及、减少能源浪费产生重要影响。     

基于关联神经网络的股票预测模型

通过关联分析从众多的技术指标中找到与日收盘价关联度较大的技术指标作为输入变量,利用BP网络较好的分类能力,结合国内股票市场的特性,对于个股中国首钢日收盘价涨跌的短期预测进行了初步的探讨。数值实验结果表明关联神经网络应用于中国股票市场的预测是可行和有效的,有着良好的前景。     

基于深度学习的LSTM光伏预测

随着对能源利用效率要求的提高及日益激增的光伏数据,传统的光伏预测方法已逐渐丧失优势。为了更加准确地进行光伏预测,采用深度学习的框架,并利用循环神经网络(RNN)中最重要的一个结构——长短时记忆网络(LSTM)对时间序列的强大处理能力进行了智能算法建模。由于LSTM具有"遗忘"与"更新"功能,很好地解决了长序依赖问题,从而使光伏预测在精度上有了质的变化,预测速度也得到显著提升。